Comment fonctionnent l'allocation et le réapprovisionnement par l'IA entre magasins et canaux ?

L'allocation et le réapprovisionnement par IA fonctionnent en prévoyant la demande de chaque variante de produit dans chaque point de vente, puis en calculant la quantité de stock à envoyer pour maximiser les ventes attendues dans la limite du stock disponible et des contraintes logistiques. L'allocation gère la première répartition d'une livraison ; le réapprovisionnement répète le calcul à mesure que les ventes arrivent, en déplaçant le stock vers les endroits où il se vend.

Quelle est la différence entre allocation et réapprovisionnement ?

Les deux décisions utilisent des modèles similaires mais disposent d'informations différentes. L'allocation initiale intervient avant ou au moment du lancement, lorsqu'il n'existe que peu ou pas d'historique de ventes pour le produit ; le modèle s'appuie donc sur les profils des magasins, des produits similaires du passé et la demande prévue. Le réapprovisionnement intervient en cours de saison et peut utiliser les ventes réelles, ce qui rend les prévisions plus précises mais laisse moins de stock à répartir.

Comment un modèle d'allocation par IA détermine-t-il les quantités ?

L'allocation fondée sur des règles utilise généralement des catégories de magasins (magasins A, B, C) et des ratios fixes. L'allocation par IA remplace les ratios fixes par une prévision pour chaque magasin, chaque produit et chaque taille, puis résout un problème d'optimisation. Une séquence typique :

1. Estimer la demande de chaque variante dans chaque point de vente pour la période à venir, avec une fourchette d'incertitude.
2. Fixer le minimum de présentation : le stock dont un magasin a besoin pour présenter un produit de manière crédible, souvent une gamme de tailles complète.
3. Comparer les ventes marginales attendues d'une unité supplémentaire dans chaque point de vente et affecter les unités là où elles rapportent le plus.
4. Respecter les contraintes : stock disponible, conditionnement, capacité des magasins et jours de livraison.
5. Conserver une réserve en entrepôt lorsque l'incertitude est forte, afin que le stock puisse suivre les premières ventes.

L'exemple public le mieux documenté est celui de Zara. Des chercheurs travaillant avec l'entreprise ont construit un modèle pour déterminer chaque expédition de ses entrepôts centraux vers ses magasins, en modélisant explicitement le lien entre niveaux de stock et demande. Selon l'article paru dans Interfaces (2010), le processus a augmenté les ventes de 3 à 4 %, avec un chiffre d'affaires supplémentaire estimé à environ 233 millions de dollars américains en 2007 et 353 millions en 2008. La leçon : la quantité présentée en magasin influence la quantité vendue, et le modèle doit en tenir compte.

Lire aussi

Comment fonctionnent la prévision des réassorts par l'IA et le réapprovisionnement automatisé pour les détaillants ?

Pourquoi les données au niveau de la variante comptent-elles ?

Les décisions d'allocation se prennent par taille et par coloris, et non par modèle. GS1, l'organisme de normalisation des codes-barres, prévoit que chaque variante de produit (chaque taille, chaque coloris et chaque combinaison) doit avoir son propre GTIN. Cela rend l'allocation au niveau de la variante techniquement possible partout où un code-barres est scanné. L'écart pratique tient au fait que de nombreuses entreprises planifient encore au niveau du modèle, ou ne reçoivent pas les ventes et les stocks au niveau de la variante de la part des magasins partenaires et des marketplaces.

Les ruptures faussent encore davantage les données. Une étude d'Akchen et Caro portant sur un distributeur de chaussures a montré que près de 25 % de la demande non satisfaite du fait de ruptures se reportait sur les tailles voisines. Les ventes brutes surestiment donc la demande pour les tailles voisines et la sous-estiment pour les tailles épuisées. Les modèles de réapprovisionnement doivent signaler les périodes de stock nul ou faible afin de ne pas interpréter une taille épuisée comme une taille impopulaire.

Comment l'IA gère-t-elle le stock omnicanal ?

Lorsque les magasins, l'e-commerce et le wholesale puisent dans un stock commun, l'allocation revient à décider quel canal reçoit la prochaine unité. La demande en ligne est généralement plus volumineuse et plus facile à prévoir, tandis que la demande en magasin est répartie sur de nombreux points de vente. Certains distributeurs expédient les commandes en ligne depuis le stock des magasins, ce qui ajoute une option supplémentaire. Un modèle d'IA peut comparer la marge attendue de chaque usage, mais seulement si tous les canaux remontent leurs ventes et leurs stocks en quasi temps réel.

Les signaux en quasi temps réel relèvent du demand sensing. DHL décrit le demand sensing comme une prévision à court terme qui utilise des données en temps réel, comme l'activité en point de vente, les expéditions, les promotions, la météo et les tendances sociales, actualisées chaque jour, voire chaque heure. Pour le réapprovisionnement, des signaux plus rapides aident surtout à réaffecter le stock entre points de vente pendant la saison.

De quoi une entreprise a-t-elle besoin pour la mettre en œuvre ?

• Un stock exact par point de vente et par variante, idéalement avec des inventaires réguliers ou un suivi à l'article.
• Un historique des ventes par point de vente et par variante, y compris le web et, si possible, le sell-out des partenaires.
• Les attributs des magasins : taille, climat, profil de clientèle, surface et capacité du mobilier.
• Les règles logistiques : jours de livraison, conditionnements, délais et coûts de transfert.
• La gouvernance : des règles claires sur le moment où les allocateurs peuvent corriger le modèle et sur la manière dont ces corrections sont examinées.

Les grands distributeurs intègrent l'allocation dans des programmes de planification plus larges. Marks & Spencer, par exemple, a annoncé en janvier 2024 une plateforme de planification de bout en bout pour l'habillement et la maison, dont le périmètre comprend la prévision, l'allocation et le réapprovisionnement aux côtés de la planification financière et de la planification des collections.

Lire aussi

La prévision de la demande par l'IA dans la mode : comment elle fonctionne et où elle échoue

Quelles sont les limites ?

L'allocation par IA est la plus performante pour les produits à demande régulière et présents dans de nombreux points de vente. Elle peine avec les très faibles volumes par magasin, où une seule vente change la donne, et avec les événements exceptionnels que le modèle n'a jamais vus. Les transferts entre magasins coûtent de l'argent et du temps de personnel ; les modèles qui recommandent des mouvements constants peuvent donc paraître bons sur le papier et échouer en exploitation. La référence n'est pas une allocation parfaite, mais moins de ruptures sur les tailles clés et moins de déséquilibres entre points de vente en fin de saison, mesurés par rapport à une base de référence claire.

Un déploiement raisonnable commence par le réapprovisionnement des lignes reconduites dans une partie des magasins, là où l'historique est le plus riche et où les résultats peuvent être comparés à un groupe témoin en quelques semaines. L'allocation initiale des nouveaux produits, qui dépend d'articles analogues et des profils des magasins, constitue généralement la deuxième étape une fois les fondations de données éprouvées.